CN113298128A - 基于时间序列聚类的云服务器异常检测方法 - Google Patents
基于时间序列聚类的云服务器异常检测方法 Download PDFInfo
- Publication number
- CN113298128A CN113298128A CN202110525691.7A CN202110525691A CN113298128A CN 113298128 A CN113298128 A CN 113298128A CN 202110525691 A CN202110525691 A CN 202110525691A CN 113298128 A CN113298128 A CN 113298128A
- Authority
- CN
- China
- Prior art keywords
- clustering
- cloud server
- dvi
- data
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 17
- 238000003064 k means clustering Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 29
- 230000002159 abnormal effect Effects 0.000 claims description 22
- 230000005856 abnormality Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 238000007476 Maximum Likelihood Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000000926 separation method Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000004622 sleep time Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000234282 Allium Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3024—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a central processing unit [CPU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3037—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a memory, e.g. virtual memory, cache
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
- G06F11/3433—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment for load management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于时间序列聚类的云服务器异常检测方法,包括提取云服务器上性能资源时间序列数据,用小波包分解的方式预处理时间序列数据,然后利用K‑means聚类算法进行聚类,再用邓恩指数DVI对聚类结果进行评价,从而筛选得到离群点,即异常时间序列数据,异常时间序列数据可以用来对云服务器特定时间段异常进行诊断和恢复。
Description
技术领域
本发明属于云计算异常检测技术领域,涉及一种基于时间序列聚类的云服务器异常检测方法。
背景技术
云计算技术日益发展完善,云服务器在更多的领域得到应用。云服务器是一种简单高效、安全可靠、处理能力可弹性伸缩的计算服务。云服务器的存在目的与家用主机相异。家用主机通常存在较长的休眠时间,而云服务器需要长期运行并且频繁地交换资源,不同公司对云服务器的使用时间段不同,这也就使得部分云服务器不存在休眠时间或休眠时间很短。长时间运行的云服务器很容易出现异常或故障,系统异常会影响云服务器性能,导致云服务器性能大幅下降,甚者造成云服务器宕机。
根据国际数据公司(IDC)在2018年7月份发布的《中国公有云服务市场半年度跟踪报告》显示,在中国市场,阿里云的市场占有率已过45%,腾讯云达到10%;根据高德纳公司(Gartner)的数据显示,在全球市场,亚马逊AWS占全球份额的51.8%,微软Azure位列第二位,占比13.3%,阿里云位列第三位,占比4.6%,谷歌Cloud云服务占比3.3%,随后是IBM,占比1.9%。可见,这几大主流云供应商占据全球绝大部分市场,一旦云服务器出现宕机,受影响的企业将不计其数。
所以,如何准确地对云服务器异常进行检测是解决云服务器故障问题的关键,对云服务器的异常研究问题主要针对云服务器提取的时间序列进行检测,现有的针对该领问题的主要算法主要有五类。第一个基于预测的方法,通过预测值和真实值的误差大小对异常点进行判断,主要算法为差分整合移动平均自回归模型(Auto Regressive IntegratedMoving Average model,ARIMA),该方法适用于有明显周期性或季节性一维时间序列的短期异常检测。第二个基于频率的方法,要求待测值为有限个数的离散值,从而实现实时监测,主要算法是隐马尔科夫模型(Hidden Markov Model,HMM)。第三个基于免疫的算法,是基于大量的正样本进行学习,无需先验知识,适合异常样本匮乏或未知故障的检测问题,主要算法为负选择算法(Negative Selection Algorithm,NSA)。第四个基于聚类的方法,针对无监督,符合实际观测数据标签不完整或不准确的情况,在异常检测领域有比较广泛的应用,主要算法包括K-means算法、基于密度的聚类方法DBSCAN(Density-Based SpatialClustering of Applications with Noise)、高斯混合模型(Gaussian Mixture Model,GMM)等。第五个基于分类的方法,具有泛化能力强、没有局部最小点和解具有稀疏表示的特点,因此被经常应用于入侵检测系统的异常检测中,主要算法有支持向量机(SVM)、决策树算法(Decision Tree)、K近邻算法(K-Nearest Neighbor,KNN)等。对于云服务器上标签不完整、不准确的异常时间序列数据,采用以上这些方法难以准备检测筛选出来。
发明内容
本发明的目的是提供一种基于时间序列聚类的云服务器异常检测方法,解决了现有异常检测方法难以准确检测出云服务器上标签不完整、不准确的异常时间序列数据。
本发明所采用的技术方案是,基于时间序列聚类的云服务器异常检测方法,包括提取云服务器上性能资源时间序列数据,用小波包分解的方式预处理时间序列数据,然后利用K-means聚类算法进行聚类,再用邓恩指数(Dunn Validity Index,DVI)对聚类结果进行评价,根据评价结果筛选出异常的时间序列。
具体包括以下步骤:
步骤1,提取云服务器上性能资源时间序列数据;
步骤2,对提取的时间序列数据进行三层小波包分解预处理;
步骤3,对步骤2中预处理后的数据按时间段进行分组,一组即为一个对象,对删除每一个对象后的数据进行n次K-means聚类,采用邓恩指数DVI对聚类结果进行聚类质量评价,得到DVI数组{DVI1,DVI2,DVI3,…,DVIn};
步骤4,采用极大似然估计方法,设置阈值,根据阈值对数组DVI中离群点进行筛选和识别,离群点即云服务器异常时间序列数据。
其中,云服务器上性能资源时间序列数据包括CPU空闲率数据、系统可用内存数据和网络上传下载速率。
步骤2中,对提取的时间序列数据进行三层小波包分解预处理,包括将时间序列数据进行多层次划分,对每个分解后的频带均进行再次的降半划分,通过低通滤波器h和高通滤波器g,利用小波包分解公式对提取的时间序列数据进行分解,具体如下:
其中,表示原始信号通过第一层小波变换得到的信号,ψ2p(t)表示原始信号通过第二层小波变换得到的信号,ψ2p+1(t)表示原始信号通过第三层小波变换得到的信号,p表示频率参数,q表示尺度参数,r表示平移参数,h(r)和g(r)是一组共轭镜像滤波器函数,小波包分解过程是将离散信号通过一个低通滤波器h和一个高通滤波器g进行滤波的过程。
步骤3包括把步骤2中预处理后的数据按时间段分为n组,构成样本空间D={S1,S2,S3,…,Sn},一组即为一个对象,得到的样本空间中n个对象,每次删除样本空间中一个对象Si共进行n次K-means聚类,其中K-means算法用欧式距离表示数据之间的差异,通过直接求均值来计算聚类的中心点,具体步骤如下:
步骤3.1,确定初始聚类中心点m1,m2,…,mn,…,mK;
步骤3.2,将初始聚类中心点之外的其他对象分配到与其距离最小的初始聚类中心点所在的类;
步骤3.3,按照欧式距离平均值最小原则更新每个聚类的中心点;
步骤3.4,判断K-means算法是否收敛,若收敛,返回聚类结果,若没有收敛,重复步骤3.2和步骤3.3,直至K-means算法收敛再返回聚类结果。
步骤3.1中,使用K-means++方法确定初始聚类中心点,随机选取第一个初始聚类中心点(n=1),在选取第n+1个初始聚类中心点时,距离当前n个初始聚类中心点越远的点会有更高的概率被选为第n+1个初始聚类中心点。
步骤4中,采用极大似然估计方法,计算DVI数组的均值μ和标准差σ,在正态分布假定下,设置阈值为3,当目标函数E=|DVIi-μ|/σ大于3时,被识别为离群点,离群点即为云服务器资源异常时间序列数据。本发明的有益效果是,采用聚类算法和聚类评价指标结合的方法,对云服务器资源异常时间序列进行检测,通过对云服务器资源时间序列数据进行时间分段聚类,对每一段时间序列数据,对其进行删除后进行聚类并计算DVI指标,从而筛选得到离群点,即异常时间序列数据,异常时间序列数据可以用来对云服务器特定时间段异常进行诊断和恢复。
附图说明
图1是本发明基于时间序列聚类的云服务器异常检测方法的整体流程图;
图2是本发明实施例中的云服务器CPU空闲率时间序列图;
图3是本发明实施例中的云服务器系统可用内存时间序列图;
图4是本发明实施例中的云服务器网络上传下载速率时间序列图;
图5是本发明基于时间序列聚类的云服务器异常检测方法中三层小波包分解预处理过程示意图;
图6是本发明基于时间序列聚类的云服务器异常检测方法中K-means算法聚类的流程示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于时间序列聚类的云服务器异常检测方法,参照图1,包括以下步骤:
步骤1,提取云服务器上性能资源时间序列数据,包括CPU空闲率数据(参见图2)、系统可用内存数据(参见图3)和网络上传下载速率(参见图4);
步骤2,对提取的时间序列数据进行三层小波包分解预处理,参见图5,将时间序列数据进行多层次划分,对每个分解后的频带均进行再次的降半划分,具体如下:
其中,表示原始信号通过第一层小波变换得到的信号,ψ2p(t)表示原始信号通过第二层小波变换得到的信号,ψ2p+1(t)表示原始信号通过第三层小波变换得到的信号。p表示频率参数,q表示尺度参数,r表示平移参数,h(r)和g(r)是一组共轭镜像滤波器函数。小波包分解过程是将离散信号通过一个低通滤波器h和一个高通滤波器g进行滤波的过程。
云服务器三种资源时间序列均为非平稳时间序列,为了将其中的高频信息和低频信息分离,避免高频信息的过度拟合,本方法在对时序数据进行聚类处理前,首先对其进行三层小波包分解预处理,小波包分解可以克服高频频段对应的频率分辨率较差,低频频段对应的时间分辨率较差的缺点。
步骤3,对步骤2中预处理后的数据按时间段进行分组,分为n组,构成样本空间D={S1,S2,S3,…,Sn},一组即为一个对象,得到的样本空间中n个对象,每次删除样本空间中一个对象Si共进行n次K-means聚类,采用K-means聚类算法进行聚类,K-means算法用欧式距离表示数据之间的差异,通过直接求均值来计算聚类的中心点,参照图6,具体过程如下:
步骤3.1,采用K-means++算法确定初始聚类中心点m1,m2,…,mn,…,mK,先随机选取一个样本作为第一个初始聚类中心(n=1),计算样本与当前已有初始聚类中心的最短距离,距离越大,选取作为第n+1个初始聚类中心的概率越大,即假设已经选取了n个初始聚类中心(0<n<K),在选取第n+1个初始聚类中心时,距离当前n个初始聚类中心最远的点即为第n+1个初始聚类中心;
步骤3.2,将除初始聚类中心点之外其他对象分配到与其距离最小的中心点所在的类;
步骤3.3,按照欧式距离平均值最小原则更新每个聚类的中心点;
步骤3.4,判断K-means算法是否收敛,若收敛,返回聚类结果,若没有收敛,重复步骤3.2和步骤3.3,直至K-means算法收敛再返回聚类结果。
依据K-means算法结果,利用邓恩指数DVI评价其聚类质量,计算样本空间所有集合的聚类质量DVI,得到DVI数组{DVI1,DVI2,DVI3,…,DVIn},DVIi表示DVI数组中任意一个聚类质量DVI。
多次聚类后,对同一聚类数不同聚类中心的DVI值进行比较来评价聚类结果,将云服务器上性能资源时间序列样本空间D={S1,S2,S3,…,Sn}聚类形成的簇划分为C={C1,C2,C3,…,Cn},diam(Ci)为簇Ci内样本间的最远距离,dmin(Ci,Cj)为簇Ci与簇Cj最近样本间的距离,其中:
diam(C)=max1≤i≤j≤|C|dist(xi,xj) (4)
式(4)中,xi和xj为同一簇中任意两个样本点,式(5)中xk为簇Ci中的任一样本点,xl为簇Cj中的任一样本点,|C|表示共有的簇数。
邓恩指数DVI为:
其中,Cl为所有簇中任一簇。完成聚类后,一般通过两个维度描述聚类质量,一是紧凑程度,二是分离情况,这和云服务器时间序列异常有关。
当云服务器状态良好时,每段时间序列数据之间没有形成明显的好坏分区,即紧凑程度低,单段时间序列数据之间总的差异也不明显,也就是分离程度不高。当云服务器出现异常时,单段时间序列数据之间形成了明显的好坏分区,即紧凑程度高,单段时间序列数据之间总的差异也变得明显,即分离程度高。邓恩指数DVI是衡量这种分离程度和紧凑程度的有效指标。邓恩指数DVI越大说明簇内的紧凑程度越高,簇与簇之间越分离,聚类质量越好。
步骤4,采用极大似然估计方法,计算DVI数组的均值μ和标准差σ,在正态分布假定下,设置阈值为3,当目标函数E=|DVIi-μ|/σ大于3时,对应DVIi中时间段被识别为离群点,离群点即为云服务器资源异常时间序列数据。
本发明基于时间序列聚类的云服务器异常检测方法,利用聚类效果评价指标邓恩指数DVI,对一组时间序列依次采用聚类算法进行离群值检测。其核心思想是对所有对象依次剔除某一对象然后进行聚类,接着评估属于簇的程度即聚类质量,如果删除某一段时间序列后聚类质量出现明显提升,该段时间序列即为异常时间序列。异常的时间序列数据一般波动情况和跨度与正常的时间序列数据不同,根据聚类算法结果和评价指标能够将这些不同的时间序列区分开,并将云服务器出现问题时的异常时间序列筛选出来,过程简单,易于操作,而且准确率较高,便于推广应用。
Claims (7)
1.基于时间序列聚类的云服务器异常检测方法,其特征在于,提取云服务器上性能资源时间序列数据,用小波包分解的方式预处理时间序列数据,然后利用K-means聚类算法进行聚类,再用邓恩指数DVI对聚类结果进行评价,根据评价结果筛选出异常的时间序列。
2.根据权利要求1所述的基于时间序列聚类的云服务器异常检测方法,其特征在于,具体包括以下步骤:
步骤1,提取云服务器上性能资源时间序列数据;
步骤2,对提取的时间序列数据进行三层小波包分解预处理;
步骤3,对步骤2中预处理后的数据按时间段进行分组,一组即为一个对象,对删除每一个对象后的数据进行n次K-means聚类,采用邓恩指数DVI对聚类结果进行聚类质量评价,得到DVI数组{DVI1,DVI2,DVI3,…,DVIn};
步骤4,采用极大似然估计方法,设置阈值,根据阈值对数组DVI中离群点进行筛选和识别,离群点即云服务器异常时间序列数据。
3.根据权利要求2所述的基于时间序列聚类的云服务器异常检测方法,其特征在于,所述步骤1中云服务器上性能资源时间序列数据包括CPU空闲率数据、系统可用内存数据和网络上传下载速率。
4.根据权利要求2所述的基于时间序列聚类的云服务器异常检测方法,其特征在于,所述步骤2中,对提取的时间序列数据进行三层小波包分解预处理,包括将时间序列数据进行多层次划分,对每个分解后的频带均进行再次的降半划分,通过低通滤波器h和高通滤波器g,利用小波包分解公式对提取的时间序列数据进行分解,具体如下:
5.根据权利要求2所述的基于时间序列聚类的云服务器异常检测方法,其特征在于,所述步骤3包括把步骤2中预处理后的数据按时间段分为n组,构成样本空间D={S1,S2,S3,…,Sn},一组即为一个对象,得到的样本空间中n个对象,每次删除样本空间中一个对象Si共进行n次K-means聚类,其中K-means算法用欧式距离表示数据之间的差异,通过直接求均值来计算聚类的中心点,具体步骤如下:
步骤3.1,确定初始聚类中心点m1,m2,…,mn,…,mK;
步骤3.2,将初始聚类中心点之外的其他对象分配到与其距离最小的初始聚类中心点所在的类;
步骤3.3,按照欧式距离平均值最小原则更新每个聚类的中心点;
步骤3.4,判断K-means算法是否收敛,若收敛,返回聚类结果,若没有收敛,重复步骤3.2和步骤3.3,直至K-means算法收敛再返回聚类结果。
6.根据权利要求5所述的基于时间序列聚类的云服务器异常检测方法,其特征在于,所述步骤3.1中,使用K-means++方法确定初始聚类中心点,随机选取第一个初始聚类中心点(n=1),则在选取第n+1个初始聚类中心点时,距离当前n个初始聚类中心点越远的点会有更高的概率被选为第n+1个初始聚类中心点。
7.根据权利要求6所述的基于时间序列聚类的云服务器异常检测方法,其特征在于,所述步骤4中,采用极大似然估计方法,计算DVI数组的均值μ和标准差σ,在正态分布假定下,设置阈值为3,当目标函数E=|DVIi-μ|/σ大于3时,被识别为离群点,离群点即为云服务器资源异常时间序列数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110525691.7A CN113298128B (zh) | 2021-05-14 | 2021-05-14 | 基于时间序列聚类的云服务器异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110525691.7A CN113298128B (zh) | 2021-05-14 | 2021-05-14 | 基于时间序列聚类的云服务器异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113298128A true CN113298128A (zh) | 2021-08-24 |
CN113298128B CN113298128B (zh) | 2024-04-02 |
Family
ID=77322060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110525691.7A Active CN113298128B (zh) | 2021-05-14 | 2021-05-14 | 基于时间序列聚类的云服务器异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298128B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113947112A (zh) * | 2021-09-08 | 2022-01-18 | 天津大学 | 一种时序数据集的预处理方法及其应用 |
CN114512368A (zh) * | 2022-03-30 | 2022-05-17 | 广东电网有限责任公司 | 一种针对高压真空断路器的真空度在线监测方法及装置 |
CN115460296A (zh) * | 2022-09-13 | 2022-12-09 | 中航信移动科技有限公司 | 一种基于rpc的离群摘除方法、存储介质及电子设备 |
CN116401570A (zh) * | 2023-05-26 | 2023-07-07 | 佛山市力天包装印刷有限公司 | 一种印刷质量监测大数据智能处理系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017008451A1 (zh) * | 2015-07-16 | 2017-01-19 | 清华大学 | 一种面向云计算在线业务的异常负载检测方法 |
WO2018076571A1 (zh) * | 2016-10-28 | 2018-05-03 | 南京华苏科技有限公司 | Lte网络中的异常值检测方法及系统 |
CN109522926A (zh) * | 2018-09-28 | 2019-03-26 | 南京航空航天大学 | 基于信息熵聚类的异常检测方法 |
CN110826785A (zh) * | 2019-10-28 | 2020-02-21 | 同济大学 | 一种基于k-medoids聚类和泊松逆高斯的高风险路段识别方法 |
CN110928957A (zh) * | 2018-09-20 | 2020-03-27 | 阿里巴巴集团控股有限公司 | 数据聚类方法及装置 |
CN111914873A (zh) * | 2020-06-05 | 2020-11-10 | 华南理工大学 | 一种两阶段云服务器无监督异常预测方法 |
CN112433927A (zh) * | 2020-11-30 | 2021-03-02 | 西安理工大学 | 基于时间序列聚类和lstm的云服务器老化预测方法 |
-
2021
- 2021-05-14 CN CN202110525691.7A patent/CN113298128B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017008451A1 (zh) * | 2015-07-16 | 2017-01-19 | 清华大学 | 一种面向云计算在线业务的异常负载检测方法 |
WO2018076571A1 (zh) * | 2016-10-28 | 2018-05-03 | 南京华苏科技有限公司 | Lte网络中的异常值检测方法及系统 |
CN110928957A (zh) * | 2018-09-20 | 2020-03-27 | 阿里巴巴集团控股有限公司 | 数据聚类方法及装置 |
CN109522926A (zh) * | 2018-09-28 | 2019-03-26 | 南京航空航天大学 | 基于信息熵聚类的异常检测方法 |
CN110826785A (zh) * | 2019-10-28 | 2020-02-21 | 同济大学 | 一种基于k-medoids聚类和泊松逆高斯的高风险路段识别方法 |
CN111914873A (zh) * | 2020-06-05 | 2020-11-10 | 华南理工大学 | 一种两阶段云服务器无监督异常预测方法 |
CN112433927A (zh) * | 2020-11-30 | 2021-03-02 | 西安理工大学 | 基于时间序列聚类和lstm的云服务器老化预测方法 |
Non-Patent Citations (4)
Title |
---|
刘绍海;刘青昆;安娜;顾跃举;: "基于聚类算法与序列异常技术的入侵检测新方法", 计算机安全, no. 08 * |
林志坚;鲁迪;林锐涛;王星华;许韩斌;彭显刚;: "基于k-means聚类和变分位鲁棒极限学习机的短期负荷预测方法", 智慧电力, no. 03 * |
柳月强;张建锋;祝麒翔;杨会君;: "基于时空相关性的多传感器数据异常检测", 计算机应用与软件, no. 10 * |
陈佳俊;陈玉峰;严英杰;杜修明;盛戈;江秀臣;: "基于时空联合聚类方法的输变电设备状态异常检测", 南方电网技术, no. 11 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113947112A (zh) * | 2021-09-08 | 2022-01-18 | 天津大学 | 一种时序数据集的预处理方法及其应用 |
CN114512368A (zh) * | 2022-03-30 | 2022-05-17 | 广东电网有限责任公司 | 一种针对高压真空断路器的真空度在线监测方法及装置 |
CN114512368B (zh) * | 2022-03-30 | 2023-05-23 | 广东电网有限责任公司 | 一种针对高压真空断路器的真空度在线监测方法及装置 |
CN115460296A (zh) * | 2022-09-13 | 2022-12-09 | 中航信移动科技有限公司 | 一种基于rpc的离群摘除方法、存储介质及电子设备 |
CN116401570A (zh) * | 2023-05-26 | 2023-07-07 | 佛山市力天包装印刷有限公司 | 一种印刷质量监测大数据智能处理系统 |
CN116401570B (zh) * | 2023-05-26 | 2023-08-11 | 佛山市力天包装印刷有限公司 | 一种印刷质量监测大数据智能处理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113298128B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113298128B (zh) | 基于时间序列聚类的云服务器异常检测方法 | |
De Santo et al. | Deep Learning for HDD health assessment: An application based on LSTM | |
US8005771B2 (en) | Segment-based change detection method in multivariate data stream | |
CN110826648B (zh) | 一种利用时序聚类算法实现故障检测的方法 | |
CN111612039B (zh) | 异常用户识别的方法及装置、存储介质、电子设备 | |
CN111314331A (zh) | 一种基于条件变分自编码器的未知网络攻击检测方法 | |
CN111612038B (zh) | 异常用户检测方法及装置、存储介质、电子设备 | |
CN113887616A (zh) | 一种epg连接数的实时异常检测系统及方法 | |
CN108847022B (zh) | 一种微波交通数据采集设备的异常值检测方法 | |
CN111538311B (zh) | 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置 | |
Lim et al. | Identifying recurrent and unknown performance issues | |
CN109257383B (zh) | 一种bgp异常检测方法及系统 | |
CN112433927A (zh) | 基于时间序列聚类和lstm的云服务器老化预测方法 | |
CN111160959A (zh) | 一种用户点击转化预估方法及装置 | |
Zhang et al. | Robust KPI anomaly detection for large-scale software services with partial labels | |
CN111949496B (zh) | 一种数据检测方法及装置 | |
CN113343123B (zh) | 一种生成对抗多关系图网络的训练方法和检测方法 | |
CN114584377A (zh) | 流量异常检测方法、模型的训练方法、装置、设备及介质 | |
CN112882898B (zh) | 基于大数据日志分析的异常检测方法、系统、设备及介质 | |
CN112422546A (zh) | 一种基于变邻域算法和模糊聚类的网络异常检测方法 | |
CN113746780A (zh) | 基于主机画像的异常主机检测方法、装置、介质和设备 | |
CN110472188A (zh) | 一种面向传感数据的异常模式检测方法 | |
CN115600116A (zh) | 时间序列异常的动态检测方法、系统、存储介质及终端 | |
CN115392351A (zh) | 风险用户识别方法、装置、电子设备及存储介质 | |
CN113821401A (zh) | 基于wt-ga-gru模型的云服务器故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |